AI agent skill · by @JimLiu

Talking Head Cut

一两个人对着镜头说话的录音要剪成能发布的视频时用：去掉口癖、长停顿、录废重来的部分和离题的话，在几遍重录里挑一遍，收紧句间停顿，把最有力的原话挪到开头，再按需要加放大强调、B-roll、竖屏取景和配乐闪避。需要视频的转写。只想从长视频里挑几段短视频时用切短视频。

Archived 2026-10-23 · Source updated 2026-10-12. Check the original repository for the latest version.

SKILL.md instructions

# 剪口播

用户录了一段对着镜头说的话，里面有口癖、有停顿、有说错重来的几遍。他要的是一条能直接发的视频：话顺、不拖、开头留得住人，而且他说过的意思一句没变。观众感觉不到剪过，才算剪好了。

最容易剪坏的样子有两种。一种是边听边剪：读到一句觉得多余就删，剪到后面发现它是后文的前提，只好回头补。另一种是剪得太狠：每次换气都剪掉，停顿全压到最短，听起来像机器在说话；或者为了开头抓人把一句话从中间截出来，意思变了。

口播视频里决定剪点的是**话**，不是画面：先让话顺下来，再处理画面。顺序：

1. 转写。没有转写，下面每一步都是瞎猜。没有 kind 为 speech 的文档时先转写，告诉用户转写在进行。
2. 按论点列出留 / 删清单，一次剪完（第 2 节）。
3. 收紧句间停顿（第 3 节）。
4. 定开头（第 4 节）。
5. **剪口定下之后**才加画面：放大强调、B-roll、文字；然后是取景与声音。做法在 `references/picture-and-sound.md`，要做这些时用 `skills_read` 取。
6. 验收（第 5 节）。

画面元素会跟着剪口走，但先剪话、后加画面仍然更省事：话没定下来之前，定不了放大落在哪一句、B-roll 给几秒。

## 1. 时间与剪法

这里有两个时钟，搞混了剪点就落错地方：

- 转写（documents_read 读 speech 文档）里词的 start、end 是素材自己的时钟，按 timescale 换成秒：秒 = 刻度 ÷ timescale。addCuts、proposeCuts 用的就是素材时钟上的秒。
- splitItem、moveItem、removeRange、导出的范围和 videos_frames 的 `at` 用时间线上的秒。素材上的时刻 t 在时间线上的位置 = 那个片段的 startSeconds +（t − sourceInSeconds）（videos_inspect 的片段里有这两个值；变过速的片段再除以速率）。不要凭感觉换算；拿不准就重新 videos_inspect 读片段。
- 口播的删减用剪口（addCuts）：可以恢复（restoreCut），剪口集合是视频里 kind 为 cut-set 的文档。原文件不动。

## 2. 留 / 删清单

读全文，不要边听边一句一句剪：

- **按论点列**：这段录音讲了哪几个论点，每个论点留哪几句。写成留 / 删清单（句子、留或删、理由），一次剪完；边读边剪，读到后面常发现前面删掉的一句是后文的前提。
- **该删的**：开拍前的准备、说错重来的那几遍、录完到停机之间的杂音、与主线无关的离题话。
- **口癖与长停顿**：用 edits_apply 的 proposeCuts（detect 里的 fillers 与 pauses）生成剪辑提案，用 documents_read 读提案，逐条看过，再用 acceptCutSuggestions 只接受该删的那些；要改区间的直接 addCuts 并把建议 ID 写进 ref。提案不检测重复的句子：录废重来、说了两遍的，自己按转写里的词时间用 addCuts 剪。
- **几遍重录挑哪遍**：看完整（意思说全了）、自然（不像背的）、节奏（不拖不赶）。后一遍通常更顺，但这不是规则；拿不准就都留着，请用户听了再定。
- **默认保持原来的顺序**。调序会改变论证；除了第 4 节的开头，其他任何挪动都先问用户。
- 按整句删：剪口的边界落在词与词之间的空隙里，取整句第一个词的开头到最后一个词的结尾，不切进词里。
- **清单定下后作为一笔修改提交**：每句要删的一个剪口，放进同一次 edits_apply。整笔是一步撤销：用户说「不要那一批」时，一次 edits_undo 就退回去。

## 3. 句间停顿

停顿的长短是视频的语气：压得太短像赶，留得太长像拖。

- 起点（不是规则，要听着调）：句与句之间约 0.2 秒；节奏快的宣传类口播可以到 0.1–0.15 秒，讲道理或偏思考的 0.3–0.5 秒。语速慢、句子长的语言和说话人相应放宽。
- 用 proposeCuts 的 detect 表达：pauses 打开，compressTo 设成上面的目标，minPause、maxGap 不给时用默认值。先读提案看会动多少处，再接受。整片用同一个数之后，回头看转折、包袱和提问之后的地方：那里的停顿是内容，压短就丢了。
- **留住换气**：把每次换气都剪掉听起来像机器。剪的是空等，不是呼吸。
- **词要完整**：剪点落在词之间的空隙，不吃掉第一个音节，也不吃掉结尾的尾音。转写的词边界很紧时，在剪点留一点余量。
- 你听不到成片。停顿长短可以从剪口和片段读出来，但**顺不顺要人耳听**：用 export 导出一小段（range 是时间线上的秒）给用户听，并在报告里说明哪些只是量出来的。

## 4. 开头

头几秒决定观众留不留。

- 头几秒要有一句让人留下来的话。全片最有力的一句**原话**可以挪到开头：用 splitItem 在这句话的首尾（时间线上的秒）切开，再用一次 moveItems 把它挪到最前、把原来在它前面的片段顺次往后挪（同一轨道上的片段不能重叠）。
- 挪的是原话；不重新配音，不拼半句。它原本带着的限定语一起带走（例如「在这种情况下」「对新手来说」，任何语言都一样）；拿掉限定语会改变意思时，就不挪。

  对比一下（只是示意）：原话是「对新手来说，这个方法第一周就能见效」。挪「这个方法第一周就能见效」到开头，意思从「对新手」变成了「对所有人」，不能这么挪；要挪就整句挪。
- 想清楚这句话在片子里出现一次还是两次，并告诉用户：挪动是**调序**，原来的位置就没有这句了；如果是预告、原位置也要保留，就不挪，而是在开头再放一份同一段素材（addItem 放同一个素材，再用 trimItem 裁到这句话的范围），并给它腾出位置。
- 挪片段时别的轨道上的东西不一定跟着走。所以先定开头，再加放大和文字；如果已经加了，挪完之后 videos_inspect 重新读，逐个核对。
- 没有能单独成立的原话时什么都不挪；按原来的顺序开始，把开场寒暄剪掉。

## 5. 验收

- 读回：videos_inspect 看片段与时长，documents_read 看剪口集合，对照留 / 删清单逐项核对：该删的删了，该留的还在。
- 要看画面时用 videos_frames 在时间线上的时刻取帧：它给的是那个时刻的素材画面，放大、字幕和叠加的元素不在里面；要核对合成后的效果，导出一小段成片给用户看。
- 剪过之后译文会过期：有译文时按翻译字幕的做法，只重译变了的句子。
- 报告分三栏写：**量出来的**（时长、剪口数、停顿改成了多少）、**看过的**（取了帧的写看了哪几处、看到什么；没看的如实写没看）、**要人听的**（剪点顺不顺、配乐音量）。开头那句挪没挪、原位置怎么处理，单独一句说明。

## 6. 要避免的

- 不要边听边剪，不要分几笔零散地剪。
- 不要把每次换气都剪掉，不要把转折、包袱后面的停顿压掉。
- 不要切进词里；不要为了开头拼半句、拿掉限定语。
- 不要不问就调序（开头那一句除外）；不要替用户在几遍重录里硬选。
- 不要把素材时钟和时间线时钟混用。
- 不要把没听过的说成「顺」，把没看过的说成「没问题」。